Web app: https://housingprice.streamlit.app/
Neste projeto, vamos utilizar técnicas de regressão linear com a biblioteca scikit-learn do Python para prever os preços de habitações na Califórnia. O objetivo é entender quais características de um imóvel residencial (como número de quartos, localização, renda da localidade etc.) influenciam o seu valor de mercado.
O conjunto de dados utilizado foi retirado do Kaggle e é referente ao censo de 1990. Utilizaremos técnicas de limpeza e pré-processamento dos dados para que eles estejam prontos para a análise.
Em seguida, vamos utilizar a regressão linear para modelar a relação entre as características da casa e o seu preço de mercado. Para avaliar a qualidade do modelo, vamos utilizar métricas como R² e RMSE.
Por fim, foi criado um aplicativo web, utilizando Streamlit, em que é possível prever o valor de um imóvel de acordo com dados fornecidos pelo usuário. Vamos analisar os resultados e entender a visão de negócio do projeto, podendo ser útil para auxiliar profissionais do mercado imobiliário, investidores e até mesmo para pessoas que estão em busca de uma casa para comprar.
O dataset possui as seguintes variáveis:
longitude: longitude de um determinado conjunto de casas.latitude: latitude de um determinado conjunto de casas.housing_median_age: idade mediana das casas em um quarteirão.total_rooms: total de quartos em um quarteirão de casas.total_bedrooms: total de quartos para dormir em um quarteirão.population: população da localidade em um quarteirão.households: número total de famílias, grupos de pessoas residindo em uma unidades domiciliar, por um quarteirão.median_income: renda mediana em um quarteirão.ocean_proximity: Proximidade com o oceano (menos de uma hora para chegar no oceano; terrestre; perto do oceano; perto de uma baía; em uma ilha).
- Importar os dados e as bibliotecas
- Entender os dados e seus tipos
- Análise Exploratória
- Feature Engineering
- Modelagem
- Deploy